摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
第1章 绪论 | 第10-24页 |
1.1 课题的来源及研究的目的和意义 | 第10-11页 |
1.1.1 课题的来源 | 第10页 |
1.1.2 课题的研究目的和意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-14页 |
1.2.1 基于机器学习的点击率预估模型研究现状 | 第11-13页 |
1.2.2 基于深度学习的点击率预估模型研究现状 | 第13-14页 |
1.3 数据集与问题定义 | 第14-22页 |
1.3.1 数据集描述 | 第14-18页 |
1.3.2 点击率预估的问题定义 | 第18页 |
1.3.3 点击率预估的评价指标 | 第18-20页 |
1.3.4 基线系统选择 | 第20-22页 |
1.4 本文的主要研究内容 | 第22-23页 |
1.5 本文内容安排 | 第23-24页 |
第2章 基于模型融合的点击率预估研究 | 第24-38页 |
2.1 引言 | 第24页 |
2.2 单模型点击率预估 | 第24-29页 |
2.2.1 GBDT高阶特征组合模型 | 第24-27页 |
2.2.2 FM点击率预估模型 | 第27-28页 |
2.2.3 FFM点击率预估模型 | 第28-29页 |
2.3 集成学习点击率预估 | 第29-32页 |
2.3.1 强模型融合 | 第29-30页 |
2.3.2 机器学习元算法 | 第30-32页 |
2.4 基于模型融合的点击率预估模型 | 第32-33页 |
2.5 实验结果与分析 | 第33-36页 |
2.5.1 模型参数设置 | 第33-34页 |
2.5.2 实验结果对比分析 | 第34-36页 |
2.6 本章小结 | 第36-38页 |
第3章 基于深度学习的点击率预估研究 | 第38-57页 |
3.1 引言 | 第38页 |
3.2 基于传统深度模型的点击率预估研究 | 第38-43页 |
3.2.1 激活函数 | 第38-39页 |
3.2.2 Dropout | 第39-40页 |
3.2.3 BatchNormalization | 第40-42页 |
3.2.4 反向传播算法 | 第42-43页 |
3.2.5 基于传统深度神经网络的点击率预估模型 | 第43页 |
3.3 基于循环神经网络的点击率预估研究 | 第43-50页 |
3.3.1 循环神经网络 | 第44-45页 |
3.3.2 长短期记忆网络 | 第45-46页 |
3.3.3 门控循环单元 | 第46-47页 |
3.3.4 双向循环神经网络 | 第47-48页 |
3.3.5 基于时间的反向传播算法 | 第48-49页 |
3.3.6 基于循环神经网络的点击率预估模型 | 第49-50页 |
3.4 浅层特征与深层特征结合的点击率预估模型 | 第50页 |
3.5 实验结果与分析 | 第50-55页 |
3.5.1 模型参数设置 | 第51页 |
3.5.2 实验结果对比分析 | 第51-55页 |
3.6 本章小结 | 第55-57页 |
第4章 基于MULTI-EMBEDDING的点击率预估研究 | 第57-71页 |
4.1 引言 | 第57页 |
4.2 卷积神经网络相关技术研究 | 第57-60页 |
4.2.1 卷积层 | 第57-59页 |
4.2.2 池化层 | 第59-60页 |
4.3 双线性特征组合 | 第60-61页 |
4.4 冷启动问题模型 | 第61-62页 |
4.5 基于传统MULTI-EMBEDDING的点击率预估模型 | 第62-64页 |
4.5.1 基于深度神经网络的传统Multi-Embedding点击率预估模型 | 第62-63页 |
4.5.2 基于卷积神经网络的传统Multi-Embedding点击率预估模型 | 第63-64页 |
4.6 基于双线性MULTI-EMBEDDING的点击率预估模型 | 第64-66页 |
4.6.1 基于深度神经网络的双线性Multi-Embedding点击率预估模型 | 第64-65页 |
4.6.2 基于卷积神经网络的双线性Multi-Embedding点击率预估模型 | 第65-66页 |
4.7 实验结果与分析 | 第66-70页 |
4.7.1 模型参数设置 | 第66页 |
4.7.2 实验结果对比分析 | 第66-70页 |
4.8 本章小结 | 第70-71页 |
结论 | 第71-73页 |
参考文献 | 第73-80页 |
攻读硕士学位期间发表的论文及其它成果 | 第80-82页 |
致谢 | 第82页 |